一个统一的RepVGG模型工厂，配备了插件式SE注意力机制和GeM池化技术，用于精细农业分类任务

《Scientific Reports》：A unified RepVGG model factory with plug-in SE attention and GeM pooling for fine-grained agricultural classification

　　

摘要

准确高效的杂草识别对于精准农业至关重要，然而现有的深度学习方法在平衡分类准确性和实时田间应用所需的计算效率方面存在困难。由于物种间的形态差异细微以及不同生长阶段和环境条件导致的类内变异较大，细粒度杂草分类面临独特挑战。在本文中，我们提出了一种统一的RepVGG模型框架，该框架采用了可插拔的Squeeze-and-Excitation（SE）注意力机制和Generalized Mean（GeM）池化算法来实现细粒度农业分类。我们的方法利用RepVGG的结构重参数化技术，提高了推理效率，并通过通道级注意力重校准和自适应特征聚合增强了判别性特征学习。SE注意力模块明确建模了通道间的依赖关系，以突出关键特征；而可学习的GeM池化算法则实现了平均池化和最大池化行为之间的自适应切换，从而实现最佳的特征聚合效果。我们还开发了一个统一的模型构建接口，支持在多种深度学习框架上进行系统化的基准测试，并确保实验协议的一致性。在CottonWeedID15数据集上的全面实验表明，我们提出的RepVGG-B1 + SE + GeM模型取得了卓越的性能，测试F1分数达到99.5%，优于包括ResNet101（99.1%）、DenseNet161（98.9%）和EfficientNet变体在内的27种基线模型。值得注意的是，我们的模型推理效率高达188.7毫秒，比ResNet101快8.8%，同时准确率提高了0.4%。消融实验证实，SE注意力机制在不同RepVGG架构中均能将准确率提升0.3%，且参数开销仅增加2–3%；GeM池化则进一步提升了0.1–0.2%的准确率。所提出的统一框架为在资源受限的农业环境中部署高性能杂草识别系统提供了灵活且模块化的解决方案。